هدف: مدیریت همزمان ترکیب سبد کالا و تخصیص فضای قفسه در صنعت خردهفروشی محصولات تندگردش به دلیل پویایی رفتار مصرفکننده، اثرات جایگزینی و محدودیتهای فیزیکی فروشگاه، مسئلهای با پیچیدگی محاسباتی بالا است. این رساله با هدف رفع شکاف موجود در ادبیات، چارچوبی یکپارچه برای بیشینهسازی سود شبکه فروشگاهی توسعه میدهد که بهطور همزمان انتخاب سبد کالا، تخصیص فضای قفسه، کشش فضایی و تقاضای نامطمئن را در نظر میگیرد. علاوه بر این، چالش عدم تطابق سبدکالای استانداردشده با ترجیحات منطقهای ناهمگن مصرفکنندگان در زنجیرههای بزرگ از طریق محلیسازی سبد کالا برای هر خوشه همگن از فروشگاهها مورد توجه قرار گرفته است. روش: در این مطالعه، ابتدا یک مدل ریاضی غیرخطی عدد صحیح مختلط (MINLP) با هدف بیشینهسازی سود با رعایت محدودیتهای فیزیکی و تنوع سبد کالا توسعه یافت. مدل MINLP طراحی شده انتخاب کالا، تخصیص تعداد نما، کشش فضایی توانی و ماتریس احتمالات جانشینی را یکپارچه میکند. در این راستا، تقاضا در شرایط عدم اطمینان با استفاده از دادههای تراکنش 4196 شعبه افق کوروش در ده ماهه نخست سال 1403 برآورد شده و رفتار مشتری در مواجهه با عدم موجودی، از طریق محاسبه ماتریس احتمالات جانشینی کمیسازی گردید. برای مواجهه با گستردگی زنجیره فروشگاهها، دو رویکرد اتخاذ شد: رویکرد نخست، دستهبندی جغرافیایی و ابعادی (شامل 51 حالت) و رویکرد دوم، خوشهبندی شبکه بر اساس شاخصهای فروش به کمک الگوریتمهای چندسطحی (K-means، BIRCH ، GMM و Mini batch k-means) بود که به 54 الگوی رفتاری همگن تفکیک و مرزهای آنها با الگوریتم RANSAC تدقیق شد. جهت حل نهایی این مدل، دو روش شامل الگوریتم ممتیک همراه با جستجوی محلی و الگوریتم ترکیبی سه مرحلهای (حریصانه، ژنتیک و شبیهسازی تبرید) ارائه گردید. در نهایت، برای پاسخگویی به فضای پویای سبد کالا، این چارچوب به صورت یک روش تکرارشونده طراحی گردید و نتایج آن با استفاده از دادههای واقعی و نرمافزارهای بهینهیاب در سناریوهای مختلف اعتبارسنجی شد. یافتهها: نتایج نهایی حاصل از پیادهسازی مدل در سناریوهای عملیاتی شامل تکفروشگاه، رویکرد جغرافیایی و رویکرد خوشهبندی، برتری محسوس و معنادار روشهای ارائهشده نسبت به شرایط موجود را نشان داد. تحلیل خوشهبندی ناهمگونی کمیشده شبکه فروشگاهی را اثبات و 54 الگوی رفتاری همگن شناسایی کرد که ناکارآمدی استراتژیهای یکساننگر را بهصورت دادهمحور تأیید نمود. یافتهها بیانگر آن است که الگوریتم پیشنهادی با مدیریت هوشمندانه نرخهای جانشینی و محدودیتهای فیزیکی، موفق شده است تعادلی بهینه میان حفظ تنوع سبد کالا و بیشینهسازی سودآوری فضای قفسه برقرار کند و سودآوری را افزایش دهد. مدل توسعهیافته با شناسایی دقیق گروههای کالایی دارای کشش فضایی بالا و حذف اقلام با همپوشانی ناکارآمد، بهرهوری سطح فروش را بهطرز قابلتوجهی ارتقا داده است. همچنین تحلیل همگرایی الگوریتم نشان داد که راهکار ارائهشده، ضمن برخورداری از ثبات محاسباتی بالا، ابزاری کارآمد برای تصمیمگیری دادهمحور و تطبیقپذیر با تغییرات بازار در صنعت خردهفروشی است و قابلیت اجرا در مقیاس بزرگ با دادههای واقعی را به اثبات رساند. نوآوریها: پژوهش حاضر از چند جنبه با ادبیات موجود فاصله میگیرد. در سطح مدلسازی، برای اولین بار تمامی مؤلفههای تصمیم در یک تابع هدف واحد ادغام شدهاند. در سطح حل، دو چارچوب الگوریتمی مکمل طراحی شده که یکی برای تحلیل عمیق تکفروشگاهی و دیگری برای حل در مقیاس شبکه بهینهسازی شده است. در سطح خوشهبندی، روش دوسطحی نوینی ارائه شده که مرزهای تصمیمگیری آن با RANSAC تدقیق میشود. در سطح تقاضا، بهصورت محلی برای هر خوشه استخراج شده است. افزون بر این، چارچوب پویایی طراحی شده که قابلیت بهروزرسانی خودکار پس از تغییرات لیست کالا را دارد و در سناریوی ورود 75 کالای جدید اعتبارسنجی شده است.
